Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Neste curso, você vai aprender a usar classificadores lineares — especificamente regressão logística e máquinas de vetores de suporte (SVM) — com scikit-learn. Depois de ver como aplicar esses métodos, você vai explorar as ideias por trás deles e entender o que realmente faz tudo funcionar. Ao final, você saberá treinar, testar e ajustar esses classificadores lineares em Python. Também terá uma base conceitual para entender muitos outros algoritmos de Machine Learning.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Aplicando regressão logística e SVM
Neste capítulo, você vai aprender o básico de como aplicar regressão logística e máquinas de vetores de suporte (SVMs) a problemas de classificação. Você vai usar a biblioteca
scikit-learn para ajustar modelos de classificação a dados reais.- Revisão de scikit-learn50 XP
- Classificação com KNN100 XP
- Comparando modelos50 XP
- Overfitting50 XP
- Aplicando regressão logística e SVM50 XP
- Executando LogisticRegression e SVC100 XP
- Análise de sentimento para críticas de filmes100 XP
- Classificadores lineares50 XP
- Qual fronteira de decisão é linear?50 XP
- Visualizando fronteiras de decisão100 XP
2
Funções de perda
Neste capítulo, você vai descobrir a base conceitual por trás da regressão logística e das SVMs. Isso vai permitir que você aprofunde o entendimento do funcionamento interno desses modelos.
3
Regressão logística
Neste capítulo, você vai se aprofundar nos detalhes da regressão logística. Você vai aprender tudo sobre regularização e como interpretar a saída do modelo.
4
Máquinas de Vetores de Suporte
Neste capítulo, você vai aprender todos os detalhes das máquinas de vetores de suporte. Você vai ver como ajustar hiperparâmetros desses modelos e usar kernels para ajustar fronteiras de decisão não lineares.
Classificadores Lineares em Python
Curso
concluído
